卷积神经网络模型观察者在虚拟数字乳腺断层合成体模搜索中忽略类信号解剖结构
图像与视频处理
2024-10-24 v1 计算机视觉与模式识别
摘要
模型观察者是评估和优化基于任务的医学图像质量的计算工具。线性模型观察者，如通道化霍特林观察者（CHO），可在临床体模或真实解剖背景中预测人类在少数可能信号位置下的检测准确性。近年来，卷积神经网络（CNN）被提出作为一种新型模型观察者。目前尚不清楚CNN相比更常见的线性模型观察者方法增加了什么。我们比较了CHO和CNN在搜索嵌入2D/3D乳腺断层合成体模（DBT）中的两种信号（肿块和微钙化）时的检测准确性与放射科医生的准确性。我们表明，对于位置已知的检测任务，CHO模型的准确性与CNN性能相当。然而，对于2D/3D DBT体模的搜索任务，CHO的检测准确性显著低于CNN。与放射科医生准确性的比较表明，在2D微钙化和3D肿块搜索条件下，CNN（而非CHO）能够达到或超过放射科医生的准确性。眼动分析显示，放射科医生更频繁且更长时间地注视与CNN假阳性对应的位置。大多数CHO假阳性是体模的正常解剖结构，放射科医生并未注视。总之，我们表明CNN可用作搜索任务的人形模型观察者，而传统线性模型观察者因无法排除由解剖背景引起的假阳性而失败。
引用
@article{arxiv.2405.14720,
title = {Convolutional Neural Network Model Observers Discount Signal-like Anatomical Structures During Search in Virtual Digital Breast Tomosynthesis Phantoms},
author = {Aditya Jonnalagadda and Bruno B. Barufaldi and Andrew D. A. Maidment and Susan P. Weinstein and Craig K. Abbey and Miguel P. Eckstein},
journal= {arXiv preprint arXiv:2405.14720},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication